基于PSO-LSSVM的高速公路短时行程时间预测

高速公路行程时间预测对指导公众出行具有重要意义。鉴于高速公路数据采集难,文中以高速公路收费数据为研究对象,建立最小二乘支持向量机模型对高速公路行程时间进行预测,并引入粒子群算法对最小二乘支持向量机的参数进行优化;利用广东某高速公路收费数据进行验证,结果显示该模型与以往研究相比其相对误差较小,用于高速公路行程时间预测具有一定的可靠性和实用性。     

基于最小二乘支持向量机的车型识别算法研究

以感应线圈车辆检测器检测数据为分析基础,给出了基于Bayes理论的感应曲线自适应特征提取流程和方法,对选取的12个统计特征指标进行提取和优选。选择了曲线宽度、最大值、波峰数量、最小波谷值和波谷比组成车型识别模型的特征输入向量,不仅降低了输入向量的维数,缩短了最小二乘支持向量机的训练时间,同时也可加快车型识别的分类速度,增强特征值的分类辨别能力,提高车型分类的可靠性。在提出的基于最小二乘支持向量机的车型识别算法中,采用了修剪算法,加快了计算速度,同时保持了良好的回归性能。通过实例分析证明:基于最小二乘支持向量机的车型识别算法可提高自学习能力和识别准确率。     

城市交通枢纽短期客流量的组合预测模型

客流量的预测对交通枢纽内部组织方案和应急预案的调整起着重要作用,为了更为精确地对交通枢纽短期的客流量进行预测分析,通过分析交通枢纽客流量的变化特点,对比各种预测方法的优缺点,建立了综合BP神经网络和最小二乘支持向量机的组合预测模型,通过BP神经网络初步预测,再利用最小二乘支持向量机的修正,完成对交通枢纽客流量的预测。实际数据验证表明,相比单一的预测模型,文内提出的模型能够将交通枢纽的客流量的预测精度提高约1%,表明论文中方法能够克服单一模型带来的不确定性。      

基于灰色支持向量机的连续梁桥线形控制研究

随着高速铁路的快速发展以及无砟轨道桥梁的建设要求,对于采用悬臂浇注施工的连续梁桥,对合龙精度以及成桥线形提出了更高的要求,需要对立模标高进行更加可靠的预测.传统的施工控制预测方法很难满足精度的要求,该文提出了通过灰色理论进行数据预处理,然后结合最小二乘支持向量机建立径向基核函数模型,对施工过程中悬臂端预拱度调整值进行预测,并与标准最小二乘支持向量机比较,以某一实际大跨度高速铁路连续梁桥为例,验证了灰色支持向量机应用于连续梁桥施工控制中的可行性和优越性.     

汽油机瞬态工况油膜参数混沌时序LS-SVM预测研究

汽油机油膜参数具有多维非线性特性,当前使用的试验标定法及辨识法难以精确确定参数值,对此提出了混沌时序最小二乘支持向量机(LS-SVM)预测模型。已知汽油机油路系统在时间序列具有非线性混沌特性,对油膜参数试验标定数据进行相空间重构,采用支持向量机对重构后的数据进行训练及预测,得出预测结果,与BP神经网络模型及Elman神经网络模型的预测结果进行了对比分析。验证了LS-SVM模型具有更强的非线性预测能力,能够有效地提高油膜参数的预测精度。     

基于最小二乘支持向量机的公路工程造价预测模型

由于公路工程造价的影响因素错综复杂,且历史数据非常有限,使公路工程造价预测成为典型的小样本条件下非线性回归问题。针对传统的回归方法解决这类问题的不足,该文提出一种新型的公路工程造价预测模型。该模型基于最小二乘支持向量机的基本原理,结合公路工程的具体特征,实现了公路工程造价的智能化预测。新模型充分发挥了最小二乘支持向量机在解决有限样本及非线性回归问题中的优势,建立了较准确的预测模型,且训练速度较普通支持向量机更快。实证数据分析验证了本模型的有效性。     

最小二乘支持向量机在隧道围岩变形预测中的应用

针对基于标准型支持向量机(Vapnik SVM)的岩体变形预测方法计算复杂度大、应用不便的缺点,提出一种基于最小二乘支持向量机的围岩变形预测方法.该方法结合开挖岩体具有高度不确定性的特点,将其作为一个时变系统考虑,首先采用滑动时窗方式选取学习样本,然后利用获得的样本训练最小二乘支持向量机预测模型.利用这种方法对雪家庄隧道围岩变形进行预测,分析结果表明,该方法具有较高的预测精度,是一种简单可行的变形预测方法.     

基于LS-SVM的连续宽箱梁桥施工控制的研究

为保障连续梁桥悬臂施工的精度,保证桥梁线性符合设计要求,需要对合拢时的梁体标高和应力进行预测和控制。应用最小二乘支持向量机(LS-SVM)并借助Matlab工具箱建立预测模型,以标高和应力为研究参数,对比分析预测值与实测值,验证了最小二乘支持向量机(LS-SVM)在连续箱梁桥施工控制中的可行性和准确性。     

基于最小二乘支持向量机的公路软基沉降预测

通过影响因素分析,确定了软土层厚度、软土层压缩模量、地表硬层厚度、地表压缩模量、路堤高度、路堤顶宽、路基填筑时间和填筑竣工时沉降量等参数对公路软基沉降有影响.对公路软基的观测数据进行分析和取样,输入样本为各参数,输出样本为路堤中线下地表沉降值,利用最小二乘支持向量机的非线性映射和泛化能力,通过训练,建立了公路软基沉降预测模型.研究表明,所建立的模型对公路软基沉降进行预测具有较高的精度,同时具有很好的泛化性能.     

采用Elman神经网络与支持向量机预测路基沉降

为提高高速公路路基沉降预测的可靠性,构建了一种基于小波Kalman滤波的Elman神经网络与支持向量机的路基变形预测组合模型。该方法既融合了小波多尺度特性体现的优异信噪分离性能和Kalman滤波能提炼出测量信息最优估计值的严密递推算法,又涵括了Elman神经网络与支持向量机对非线性数据的强大泛化能力和拟合功能。结果表明:在高速公路路基工程实例中,该模型预测的沉降值误差控制在1%以下,验证了其在中长期路基沉降预测中的效用。     

隧道洞口边坡变形的多阶段递进预测研究

为及时掌握隧道洞口边坡的变形规律,保证隧道进洞过程的安全,采用小波变换剔除变形序列中的误差信息,将原始序列分解为趋势项和误差项序列,并采用PSO-LSSVM模型和ARMA模型分别对趋势项和误差项进行预测,将两者叠加即得到边坡的综合变形预测值,再利用马尔科夫链建立预测误差的修正模型,进一步提高预测精度。对预测模型进行实例分析,结果表明： sym9小波函数、启发式阈值标准、硬阈值选取标准及10层小波分解的去噪效果较优,且通过综合预测,得到边坡变形预测结果的相对误差均值为1.03%,方差值为0.042 6,预测精度和稳定性较高,验证了预测模型的有效性。     

京沪高铁CFG桩复合地基上填方路基沉降预测研究

以京沪高速铁路京徐段（K01+450~K04+786.04）CFG桩复合地基上填方路基工程为依托，基于改进指数曲线法，在路基沉降观测数据的基础上，对该段路基沉降进行了预测分析。结果表明:在该区段内对沉降量级小、相对波动大的高铁路基沉降数据，结合三点法求解的指数曲线法拟合及预测具有很好的适用性；数据的初始时间点选取在路基填筑完成之后，选择2个月及以上作为时间间隔，有利于提高沉降预测的精度。     

基于超限学习机的黄土高路堤预拱超填研究

黄土山区公路建设存在大量V形冲沟,使路基产生过大工后沉降,为解决工后超标准沉降问题,减小工后沉降处治成本,需设计路基预抛高（预留沉降量）,使公路交工验收时高程符合设计要求。现行规范对如何布设预抛高没有明确说明,因此有必要研究黄土高路堤沉降分布规律,提出其预拱超填方法,针对此类问题依托渭武高速公路工程,通过对试验路历时2年多的沉降观测,得到路基施工期、路面施工期及公路通车1年后的路基沉降数据,提出黄土高路堤沉降随时间和空间的分布规律,得到路堤沿时间及纵、横断面的沉降分布特征,为黄土高路堤填筑末期预抛高的布设形式奠定了基础;基于超限学习机算法,建立黄土高路堤工后沉降预测模型,利用实际沉降观测数据与模型预估结果进行对比,采用平均绝对百分误差对预测结果精度进行评定;最后,通过定量分析填土高度、施工速率、路面重力、路基路面验收时间及交通量修正对路堤工后沉降的影响,提出基于可靠度的黄土高路堤预抛高预测模型及公式,据此给出基于超填平衡的试验路纵、横断面预抛高设置方法,并通过工程实例,验证预抛高模型及公式的准确性。研究结果表明：该沉降预测模型精度良好;研究结果可为黄土地区高填方路基填筑末期预抛高的详细布设提供参考。     

基于RS-SVR的上软下硬地层盾构施工地表沉降预测

为了提高由盾构施工引起的软硬不均地层地表沉降预测的准确性,建立基于粗糙集-支持向量回归（RS-SVR）的地表沉降预测模型,并将该模型应用于实际地铁隧道工程的地表沉降预测中。首先,根据特定地质条件,从几何因素、地层因素和盾构施工因素选取影响地表沉降的条件属性,采用粗糙集理论的Pawlak属性重要度方法删除冗余数据,获取影响地表沉降的最优条件属性集。在此基础上,基于支持向量回归（SVR）建立RS-SVR地表沉降预测模型,并与没有经过属性约简的SVR模型进行对比分析。为了比较不同核函数对SVR模型的影响,RS-SVR和SVR模型分别选取径向基函数（RBF）、Sigmoid函数、Polynomial函数作为核函数对训练样本及测试样本进行回归预测。最后,利用佛山地铁2号线南湖区间上软下硬地层的20组地表沉降监测数据,对该模型予以试算。研究结果表明：将选取的影响地表沉降的12项条件属性约简为包含7项的最优条件属性集,分别为硬层比、黏聚力、内摩擦角、土仓压力、总推力、刀盘扭矩以及掘进时间,地表沉降分类结果与约简前保持一致;同类模型进行横向对比时,RBF作为核函数的RS-SVR模型和SVR模型预测误差分别为5.54%、13.10%,均低于以Sigmoid函数和Polynomial函数作为核函数时的预测误差;以同种核函数进行纵向对比时,RS-SVR模型预测误差分别为5.54%、11.48%、13.26%,均低于SVR模型预测误差的13.10%、15.71%、19.68%。     

基于遗传算法和神经网络的高路堤沉降预测研究

依据高路堤填土施工期路基沉降实测资料,运用遗传算法和人工神经网络构造了预测路基沉降的等时距遗传神经网络模型, 并且对该网络进行了训练以及仿真,对预测结果运用3次样条插值可得到预测时间段内的任一时刻沉降结果,通过和实测沉降结果对比可知遗传神经网络比人工神经网络节省大量的调试时间和计算时间,而且其预测精度优于BP算法和指数拟合方法,显示其明显的优越性.     

兰永公路软土地基处理后的沉降预测研究

根据兰永一级公路工程软土地基处理后的沉降实测资料，基于双曲线法、指数曲线法、幂多项式模型及Asaoka预测方法，对地基的沉降量进行预测。采取将预测结果与实测资料进行对比的方法，对4种预测模型进行了研究。结果表明:4种方法均可用于实际工程，Asaoka模型为最佳模型，对Asaoka方法的等时间间隔取值，一般为30天比较合理。     

软土区受地铁基坑开挖影响的古建筑沉降预测研究

为了减少宁波市新建地铁基坑对邻近古建筑的影响,地铁车站附属基坑开挖需要精细化的沉降变形监测。依据该市老城隍庙古建筑沉降监测数据,运用GM(1,1)灰色预测理论构建沉降预测模型。研究结果表明:古建筑沉降预测值与实测值一致性较好,说明该灰色理论预测模型精度较高,可用于宁波市古建筑后期沉降的预测和控制,对地铁工程周边建筑环境的保护有着重要意义。     

软土地基沉降特征分析及MMF模型的应用

大量观测数据和理论研究表明软土地基沉降曲线发展规律一般经过发生、发展、稳定后达一定极限，其表现符合成长曲线的基本形式。分析了软土地基的工程特性和沉降特性，建立软土地基全过程沉降预测的MMF模型，利用Origin软件求解模型参数，给出模型的求解方式，讨论了模型预测效果，工程实例预测结果表明所建立模型具有科学性和适用性。     

基于双曲线法云南地区深厚人工填土沉降预测分析

以中石油云南省某专用铁路场坪堆载预压下人工填土地基沉降现场试验数据,分析了深厚人工填土地基在堆载预压下沉降变形规律,研究了时间因素对双曲线法沉降预测结果的影响,并给出观测数据不充分时预测值的修正方法。分析结果表明:堆载完成初期人工填土地基沉降主要为瞬时沉降,堆载一段时间后沉降为固结沉降;采用双曲线法预测装卸场地基的沉降时,时间起点取21天最合适,时间终点越大、观测数据越多,预测结果越准确;在预测点观测数据不充分的情况下,采用多个试验点分析得到的修正系数修正预测值可有效地减小预测误差。